Analisis Kelayakan SimpleCNN sebagai Alternatif ConvNeXt-Tiny untuk Klasifikasi Powdery Mildew Daun Cherry

Tiovan, Gilbert (2026) Analisis Kelayakan SimpleCNN sebagai Alternatif ConvNeXt-Tiny untuk Klasifikasi Powdery Mildew Daun Cherry. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (620kB)
	PDF BAB_I.pdf Download (226kB)
	PDF BAB_II.pdf Download (332kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (313kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (312kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (210kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (208kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (830kB)
	Archive (ZIP) 00000066811_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Penyakit powdery mildew yang disebabkan oleh jamur Podosphaera clandestina merupakan salah satu ancaman utama pada tanaman cherry (Prunus avium) yang dapat menurunkan kualitas dan produktivitas hasil panen secara signifikan. Deteksi penyakit secara konvensional melalui inspeksi visual oleh tenaga ahli dinilai tidak efisien untuk diterapkan pada lahan pertanian berskala besar. Oleh karena itu, penelitian ini mengusulkan pendekatan berbasis deep learning dengan membandingkan dua arsitektur Convolutional Neural Network (CNN), yaitu ConvNeXt-Tiny berbasis transfer learning dengan strategi feature extraction dan SimpleCNN yang dibangun dari awal (from scratch). Tujuan utama penelitian adalah menganalisis trade-off antara performa klasifikasi dan efisiensi komputasi kedua model. Dataset yang digunakan berjumlah 1906 citra daun cherry dari dataset PlantVillage, terdiri dari dua kelas: healthy (854 citra) dan powdery mildew (1.052 citra). Kedua model dilatih menggunakan framework PyTorch selama 5 epoch dengan batch size 16 dan ukuran citra masukan 224×224 piksel. Hasil evaluasi pada data uji menunjukkan bahwa ConvNeXt-Tiny memperoleh akurasi 99,52% dengan recall kelas disease sebesar 0,9957, sementara SimpleCNN memperoleh akurasi 94,30% dengan recall kelas disease sebesar 0,8966. Dari sisi efisiensi komputasi, SimpleCNN memiliki ukuran model yang jauh lebih kecil (0,400 MB) dibandingkan ConvNeXt-Tiny (106,198 MB), serta waktu pelatihan yang lebih singkat. Namun, SimpleCNN menunjukkan penggunaan memori dan estimasi GFLOPs yang lebih tinggi. Kesimpulannya, ConvNeXt-Tiny lebih unggul dalam hal performa klasifikasi, sedangkan SimpleCNN layak dipertimbangkan sebagai alternatif sederhana pada skenario dengan keterbatasan ukuran model dan sumber daya penyimpanan.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Tiovan, Gilbert (00000066811)
Contributors:	Wahjudi, Januar (0330017201)
Keywords:	daun cherry, Convolutional Neural Network, ConvNeXt-Tiny, powdery mildew, SimpleCNN
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	22 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47843

Actions (login required)

View Item